高级计量经济学线性回归模型扩展PPT.ppt

事实上，当所设定的回归模型式满足经典假设时，回归函数为 1）改革开放前 　　　　　　　　　　　　　　　　 2）改革开放后 　　　　　　 上面两式分别是改革开放前和改革开放后的平均储蓄函数。其中， 称为截距差异系数， 称为斜率差异系数，分别代表改革开放前后储蓄函数截距与斜率所存在的差异。 当我们利用1950～2004年的数据对所设的模型，用OLS法进行估计，得 结果表明，截距和斜率差异系数 和 在统计意义下均为显著，说明改革开放前后的储蓄和收入行为的确不同。 3.2.4分段线性回归模型 有的社会经济现象的变动，会在解释变量达到某个临界值时发生突变，为了区分不同阶段的截距和斜率可利用虚拟变量进行分段回归，在此重点对多元两段的情形进行讨论。 设模型的一般表达形式为 其中， 当 时， 。 (3.49) 实际上，各段变动对回归模型影响为 (3.50) 令 用矩阵表示为 (3.51) 这里，j1和j2分是一个分量均为1的 和 向量， ， 。 这样，在回归模型的经典假设下，利用OLS可以得到模型（3.51）式参数估计结果。 例如，某公司为了激励公司销售人员，按其销售额的一定比例计提奖励，但是销售额在某一目标水平 以下和以上时计提奖励的方法不同。当销售额高于 时，计提奖励额与销售额的比例要高于销售额低于 时的比例，也就是高于时，奖励额与销售额的线性关系更为陡峭，如图3.3所示。为了确切地描述奖励额度（Y）与销售额（X）间的关系，需要分两段进行回归。这种分段回归可以用虚拟变量来实现。 图3.3 奖励额（ Yi）与销售额（Xi）间的关系 这样，奖励额度（ ）与销售额（ ）间的函数关系式表示为 其中，虚拟变量D为 Y为奖励额，X为销售额， 为已知的销售目标临界水平。 此外，虽然非线性回归参数估计没有线性回归参数估计的性质，但由参数估计值构造的相似的t统计量在大样本时，还是渐近服从t分布的。因此如果利用上述线性近似最后一次迭代得到的残差标准差作为非线性回归误差项方差的近似，也能利用该统计量进行参数的显著性检验，或者参数取特定值得假设检验。 三、参数显著性的F检验 除了对高斯－牛顿法非线性回归可以利用最后一次线性近似函数线性回归的t检验以外，检验非线性模型参数的显著性还有多种其他方法。 下面这个渐近F分布的统计量就是其中的一种方法，即 （3.31） 这个统计量分子、分母中 的是未对非线性模型参数施加约束时的参数估计， 则是对模型的某些参数施加0假设约束后的参数估计， 和 分别是对应两种参数估计的残差平方和，g是0约束参数的数量。 很显然，如果施加0约束的参数本身对模型的影响没有显著性，那么上述F统计量的数值会很小，如果这些施加0约束的参数对模型的影响是明显的，那么该统计量的数值会较大，就会有显著性。因此，我们可以通过检验该统计量的显著性来判断模型参数的显著性。 虽然上述F统计量与线性回归模型的F统计量形式是相似的，但因为模型是非线性的，因此 和 并不服从 分布，该统计量并不严格服从F分布，只是近似服从F分布。在样本容量较大时，该统计量的分布与F分布很接近。 我们可以利用F分布检验该统计量的显著性，但检验结果论的准确程度会受到一定影响，运用时应该加以注意。 四、似然比检验 似然